简介
在 用 WEKA 进行数据挖掘，第 1 部分：简介和回归，我介绍了数据挖掘的 概念以及免费的开源软件 Waikato Environment for Knowledge Analysis （WEKA），利用它可以挖掘数据来获得趋势和模式。我还谈到了第一种数据挖掘 的方法 — 回归 — 使用它可以根据一组给定的输入值预测数字值。这种分析方 法非常容易进行，而且也是功能最不强大的一种数据挖掘方法，但是通过它，读 者对 WEKA 有了很好的了解，并且它还提供了一个很好的例子，展示了原始数据 是如何转换为有意义的信息的。
在本文中，我将带您亲历另外两种数据挖掘的方法，这二者要比回归模型稍 微复杂一些，但功能则更为强大。如果回归模型只能为特定输入提供一个数值输 出，那么这两种模型则允许您对数据做不同的解析。正如我在第 1 部分中所说 的，数据挖掘的核心就是将正确的模型应用于数据。即便有了有关客户的最佳数 据（无论这意味着什么），但是如果没有将正确的模型应用于数据，那么这些数 据也没有任何意义。不妨从另一个角度考虑这件事情：如果您只使用能生成数值 输出的回归模型，那么 Amazon 如何能告知您“购买了 X 产品的客户还购买了 Y 产品”？这里没有数值型的函数能够告诉您这类信息。所以让我们来深入研究 可用在数据中的其他两个模型。
在本文中，我会反复提及称为“最近邻”的数据挖掘方法，但我不会过多地 对其进行剖析，详细的介绍会在第 3 部分给出。不过，我在本文中的比较和描 述部分将它包括进来以使讨论更为完整。
分类 vs. 群集 vs. 最近邻
在我深入探讨每种方法的细节并通过 WEKA 使用它们之前，我想我们应该先 理解每个模型 — 每个模型适合哪种类型的数据以及每个模型试图实现的目标。 我们还会将我们已有的模型 — 回归模型 — 也包括在我们的讨论之中，以便您 可以看到这三种新模型与我们已经了解的这个模型的对比。我将通过实际的例子 展示每个模型的使用以及各自的不同点。这些实际的例子均围绕着一个本地的 BMW 经销店展开，研究它如何能增加销售。这个经销店已经保存了所有其过去的 销售信息及有关购买过 BMW、留意过 BMW 或是来过 BMW 展厅的每个客户的信息 。这个经销店想要增加未来的销售并部署了数据挖掘来实现此目标。
回归
问题：“对于新的 BMW M5 车型我们该如何定价？” 回归模型只能给出这个 问题的一个数值答案。回归模型会使用 BMW 和 M5 的过去销售数据来基于所售 汽车的属性和卖点确定人们过去在这个经销店购买车的价格。然后，回归模型允 许 BMW 经销店插入新车的属性来确定其价格。
比如：Selling Price = $25,000 + ($2900 * Liters in Engine) + ($9000 * isSedan) + ($11,000 * isConvertible) + ($100 * inches of car) + ($22,000 * isM)。
分类
问题：“那么客户 X 有多大的可能会购买最新的 BMW M5 呢？” 创建一个 分类树（一个决策树），并借此挖掘数据就可以确定这个人购买一辆新的 M5 的 可能性有多大。这个树上的节点可以是年龄、收入水平、目前拥有的车的数量、 婚姻状况、有无孩子、房主还是租户。对这个决策树使用此人的这些属性就可以 确定他购买 M5 的可能性。
群集
问题是：“哪个年龄组最喜欢银色的 BMW M5？”这就需要挖掘数据来对比过 去购车者的年龄和过去购买的车的颜色。从这些数据，就能够找到某个年龄组（ 比如 22-30 岁）具有订购某种颜色的 BMW M5 的更高的倾向性（75% 购买蓝色 ）。同样地，它也可显示另一个不同的年龄组（比如 55-62）则更倾向于订购银 色的 BMW（65 % 购买银色，20 % 购买灰色）。这些数据，当挖掘后，倾向于集 中于某些特定年龄组和特定颜色周围，方便用户快速判断该数据内的模式。
最近邻
问题：“当人们购买 BMW M5 时，他们倾向于同时购买其他哪些选项？”数 据挖掘显示，人们入店并购买一辆 BMW M5 时，他们还会倾向于购买与之配套的 行李箱。（这也就是所谓的购物篮分析）。使用此数据，汽车经销店就会将配套 行李箱的促销广告放在店面的显眼处，甚至会在报纸上做促销广告，如果他们购 买 M5，配套行李箱将免费/打折，以期增加销售。